Le neuroscientifique Karl Friston, de l’University College London, construit des modèles mathématiques de la fonction cérébrale humaine. Dernièrement, il a appliqué sa modélisation à Covid-19, et en utilisant ce qu’il apprend pour conseiller Independent Sage, le comité a mis en place une alternative à l’organisme officiel de conseil sur la pandémie du gouvernement britannique, le Scientific Advisory Group for Emergencies (Sage).

compter à conseiller les gouvernements dans cette pandémie ?Les modèles conventionnels ajustent essentiellement les courbes aux données historiques, puis extrapolent ces courbes dans le futur. Ils regardent la surface du phénomène – la partie observable ou les données. Notre approche, qui emprunte à la physique et notamment aux travaux de Richard Feynman, passe sous le capot. Il tente de saisir la structure mathématique du phénomène – dans ce cas, la pandémie – et de comprendre les causes de ce qui est observé. Puisque nous ne connaissons pas toutes les causes, nous devons les déduire. Mais cette inférence et cette incertitude implicite sont intégrées aux modèles. C’est pourquoi nous les appelons des modèles génératifs, car ils contiennent tout ce que vous devez savoir pour générer les données. À mesure que davantage de données arrivent, vous ajustez vos croyances sur les causes, jusqu’à ce que votre modèle simule les données aussi précisément et aussi simplement que possible.

Pouvez-vous donner un exemple de ce que vous entendez par incertitude, en ce qui concerne Covid-19, et comment vous l’intégrez dans vos modèles ?Un type commun de modèle épidémiologique utilisé aujourd’hui est le modèle SEIR, qui considère que les personnes doivent être dans l’un des quatre états – sensible (S), exposé (E), infecté (I) ou récupéré (R). Malheureusement, la réalité ne les décompose pas si bien. Par exemple, que signifie être récupéré ? Nous savons qu’avec Covid-19, vous pouvez être infecté mais asymptomatique, cela signifie-t-il donc qu’il est guéri des symptômes ou guéri de l’infection ? Et cette question en cache une foule d’autres, notamment des questions relatives aux stratégies nationales de test. Les modèles SEIR commencent à s’effondrer lorsque vous pensez aux causes sous-jacentes des données. Vous avez besoin de modèles qui peuvent tenir compte de tous les états possibles et évaluer ceux qui importent pour façonner la trajectoire de la pandémie au fil du temps.

C’est la première fois que l’approche générative est appliquée à une pandémie. A-t-il fait ses preuves dans d’autres domaines ?Ces techniques ont connu un énorme succès depuis leur sortie de la physique. Ils utilisent votre iPhone et vos centrales nucléaires depuis longtemps. Dans mon domaine, la neurobiologie, nous appelons la modélisation causale dynamique (DCM). Nous ne pouvons pas voir directement les états du cerveau, mais nous pouvons les déduire en fonction des données d’imagerie cérébrale. En fait, nous avons poussé cette idée encore plus loin. Nous pensons que le cerveau peut faire sa propre modélisation causale dynamique, réduisant son incertitude sur les causes des données que les sens lui fournissent. Nous appelons cela le principe de l’énergie libre. Mais que vous parliez d’une pandémie ou d’un cerveau, le problème essentiel est le même – vous essayez de comprendre un système complexe qui change avec le temps. En ce sens, je ne fais rien de nouveau. Les données sont générées par des patients de Covid-19 plutôt que par des neurones, mais sinon, ce n’est qu’un autre jour au bureau.

Vous dites que les modèles génératifs sont également plus efficaces que les modèles conventionnels. Que voulez-vous dire ?Les épidémiologistes s’attaquent actuellement au problème de l’inférence en calculant les nombres à grande échelle, en utilisant des ordinateurs à hautes performances. Imaginez que vous vouliez simuler une épidémie en Écosse. En utilisant des approches conventionnelles, cela vous prendrait une journée ou plus avec les ressources informatiques d’aujourd’hui. Et c’est juste pour simuler un modèle ou une hypothèse – un ensemble de paramètres et un ensemble de conditions de départ. En utilisant DCM, vous pouvez faire la même chose en une minute. Cela vous permet de noter rapidement et facilement différentes hypothèses, et donc de rentrer plus tôt dans la meilleure.

D’autres avantages ?Oui. Avec les modèles conventionnels SEIR, les interventions et la surveillance sont quelque chose que vous ajoutez au modèle – ajustements ou perturbations – afin que vous puissiez voir leur effet sur la morbidité et la mortalité. Mais avec un modèle génératif, ces choses sont intégrées au modèle lui-même, avec tout le reste qui compte. Notre réponse en tant qu’individus – et en tant que société – fait partie du processus épidémiologique, fait partie d’un grand système d’auto-organisation et d’autosurveillance. Cela signifie qu’il est possible de prédire non seulement le nombre de cas et de décès à l’avenir, mais également les réponses sociétales et institutionnelles – et d’attacher des dates précises à ces prévisions.

Dans quelle mesure vos prévisions ont-elles été confirmées dans cette première vague d’infections ?Pour Londres, nous avions prédit que les admissions à l’hôpital atteindraient un pic le 5 avril, les décès augmenteraient cinq jours plus tard et l’occupation des unités de soins intensifs ne dépasserait pas la capacité – ce qui signifie que les hôpitaux de Nightingale ne seraient pas nécessaires. Nous avions également prédit que des améliorations seraient observées dans la capitale d’ici le 8 mai, ce qui pourrait permettre de relâcher les mesures de distanciation sociale – ce qu’elles étaient dans l’annonce du Premier ministre le 10 mai. À ce jour, nos prévisions ont été exactes en un jour ou deux, il existe donc une validité prédictive de nos modèles qui fait défaut aux modèles conventionnels.

Quel est votre rôle avec Independent Sage ?Je suis membre avec une responsabilité particulière pour la modélisation. Quand ils m’ont approché pour la première fois, je n’ai pas vu l ‘ »Indépendant » … Je plaisante, mais seulement en partie. Je pense à Independent Sage comme l’exercice ultime de l’engagement du public; à quoi cela ressemblerait si vous et moi et tout le monde étions en mesure de participer à une véritable réunion Sage. J’ai entendu des politiciens défensifs dire que son existence même met en cause le vrai Sage, mais en tant que scientifique, je ne peux pas y souscrire. À mon avis, il ne peut jamais y avoir de problème avec une discussion transparente et éclairée. L’autre rôle tout aussi important du comité est de présenter au gouvernement britannique des hypothèses alternatives – pour lui donner plus de marge de manœuvre.

Que disent vos modèles sur le risque d’une seconde vague ?Les modèles soutiennent l’idée que ce qui se passera dans les prochaines semaines n’aura pas un grand impact en termes de déclenchement d’un rebond – car la population est protégée dans une certaine mesure par l’immunité acquise lors de la première vague. Le vrai souci est qu’une deuxième vague pourrait éclater quelques mois plus tard lorsque cette immunité se dissipe. Nous pouvons tester une série d’hypothèses, basées sur une très courte durée d’immunité – comme avec un rhume – jusqu’à une immunité qui dure des décennies. Pour chaque durée, nous pouvons calculer la probabilité qu’une deuxième vague émerge et quand. C’est le début de ce travail, et je suis impatient de voir de nouvelles données sur l’immunité devenir disponibles, maintenant qu’il existe des tests d’anticorps fiables. Mais le message important est que nous avons maintenant une fenêtre d’opportunité pour mettre en place des protocoles de test et de trace avant cette deuxième vague putative. Si ceux-ci sont mis en œuvre de manière cohérente, nous pourrions potentiellement différer cette vague au-delà d’un horizon temporel où des traitements ou un vaccin deviennent disponibles, d’une manière que nous n’étions pas en mesure de faire avant la première.

Une fois la pandémie terminée, pourrez-vous utiliser vos modèles pour demander quel pays a répondu le mieux ?Cela se produit déjà, dans le cadre de nos tentatives pour comprendre les causes latentes des données. Nous avons comparé le Royaume-Uni et l’Allemagne pour essayer d’expliquer les taux de mortalité relativement bas en Allemagne. Les réponses sont parfois contre-intuitives. Par exemple, il semble que le faible taux de mortalité allemand ne soit pas dû à leur capacité de test supérieure, mais plutôt au fait que l’Allemand moyen est moins susceptible d’être infecté et de mourir que le Britannique moyen. Pourquoi ? Il existe plusieurs explications possibles, mais l’une des raisons qui semble de plus en plus probable est que l’Allemagne possède davantage de « matière noire » immunologique – des personnes qui sont imperméables aux infections, peut-être parce qu’elles sont géographiquement isolées ou ont une sorte de résistance naturelle. C’est comme la matière noire dans l’univers: nous ne pouvons pas la voir, mais nous savons qu’elle doit être là pour expliquer ce que nous pouvons voir. Le fait de savoir qu’il existe est utile pour nos préparatifs pour toute deuxième vague, car cela suggère que des tests ciblés sur les personnes à haut risque d’exposition à Covid-19 pourraient être une meilleure approche que des tests non sélectifs sur l’ensemble de la population.

Les modèles génératifs sont-ils l’avenir de la modélisation des maladies ?C’est une question pour les épidémiologistes – ce sont les experts. Mais je serais très surpris qu’au moins une partie de la communauté épidémiologique ne s’engage pas davantage dans cette approche à l’avenir, étant donné l’impact que les idées de Feynman ont eu dans tant d’autres disciplines.

Enfin, un Filaire entretien dit vous aimez fumer, ne parlez à personne avant midi, ne possédez pas de téléphone portable et déplorez les rendez-vous individuels. Haest l’un des thà changé pendant le verrouillage ?J’ai bien peur que non. Il est vrai que cela pourrait être considéré comme une réunion en tête-à-tête, mais mon mode par défaut consiste à partager des idées dans un groupe – style Sage indépendant – et le service normal reprendra sous peu. Juste avant de vous parler, j’ai refusé une invitation à parler à la radio du matin, et maintenant je pars pour une cigarette.